.png){kind=icon}
返回
Towards Balanced Representation Learning with Semantic Anchor Regularization
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-025-02519-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
表示学习是指从原始数据中学习有意义的、信息丰富的特征的过程，其一个良好标准是在语义空间中实现类内紧凑性和类间可分性。然而，现实世界的数据总是不平衡且含有噪声。现有方法如原型学习（prototype-based learning）和对比学习（contrastive learning）与特征学习过程紧密绑定，且易受不平衡数据分布的影响。在本文中，我们将表示正则化与特征学习过程解耦，并提出了一种基于预定义锚点的语义锚点正则化（semantic anchor regularization, SAR）。这些锚点充当独立的第三方度量，并通过与特征学习共享任务头（task head）而获得语义感知能力。通过控制语义锚点之间的可分性并将学习到的表示拉向这些语义锚点，可以直观地实现类内紧凑性和类间可分性。本质上，SAR以视觉-语言对齐（visual-language alignment）的方式运行，但更为灵活。在分类、分割、长尾学习和半监督学习等任务上的广泛实验结果表明，SAR对不同下游任务的有效性。
Keyword:
Representation learning
Semantic anchor regularization
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
查看更多内容